最优化技术在科研、工程和经济等很多领域都是一个具有理论意义和现实价值的重要课题。一个优化问题往往需要同时考虑若干个相互冲突的目标,这就构成了多目标优化问题。通常情况下,没有一个唯一的最优解可以在这些目标上同时达到最优。决策者一般需要先得到整个Pareto最优解集的近似逼近集,然后再来做决策。作为一种基于种群的随机搜索技术,多目标进化算法已经发展成为求解多目标优化问题的常用方法。这主要归因于多目标进化算法一次运行就可以得到整个逼近解集。作为一大类多目标进化算法,基于分解的多目标进化算法在近年来得到了广泛的关注。这一类算法将一个多目标优化问题分解成若干个子问题,然后以一种合作的方式同时优化求解这些子问题。本论文针对多目标进化分解算法的一些关键组成部分,即替换策略、参考点的设置和重组策略等展开了相应的研究与探索。本论文的工作可概括如下:1.替换策略是多目标进化分解算法里的一个重要环节。多目标进化分解算法中现有的替换策略容易出现解和子问题不匹配的状况,从而在某些情况下导致算法性能变差。为了克服这种不足,本文提出了一种全局替换策略。这种全局替换策略为每一个解匹配最适合的子问题,从而降低这种不匹配现象。在三组不同性质的测试题上的实验结果表明这种全局替换策略可以提高原有算法的性能。另外,在这种全局替换策略下,算法可以很容易地通过一个控制参数来达到平衡多样性和收敛性的目的。同时,实验还发现不同的多目标优化问题适合采用不同的多样性和收敛性折衷方案。2.根据前面的发现:全局替换策略中一个小的替换邻域可以使得种群保持更好的多样性;然而一个大的替换邻域可以加速算法的收敛。不同的问题适合采用不同大小的替换邻域。如果算法在整个搜索过程中都使用一个固定大小的替换邻域,那么这个替换邻域的大小就需要非常谨慎地设置。为了减少这种困难,本文中提出了一种自适应全局替换策略来自适应地控制替换邻域的大小。这种自适应替换策略可以使算法在搜索的初始阶段保持比较好的种群多样性,从而可以对整个空间进行谨慎地探索;而在搜索的后期阶段,算法使用比较大的收敛速度来进行逼近,从而节省计算资源。最后该自适应替换策略分别被用到稳态的和代际的多目标进化分解算法中。实验结果表明采用这种自适应全局替换策略的多目标进化分解算法可以在一些测试题上获得更好的结果。3.为了研究多目标进化分解算法中参考点的设置,本文首先介绍了一个代际的多目标进化分解算法来作为研究的基本算法。同时本文还提出了一组具有崎岖特性的多目标优化测试题来检验算法的性能。不同于以往大多数的多目标优化测试题,这组测试题更多地考验算法保持种群多样性的能力。通过对这组测试题的测试,本文研究对比了算法在四种常用的和一种新提出的参考点设置方式下的性能差异。实验结果发现参考点的设置可以极大的影响多目标进化分解算法在一些测试问题上的性能,并且理想点也一定是多目标进化分解算法中参考点的最佳设置方式。在设计多目标进化分解算法的时候,设计者应该更加谨慎地设置参考点。除此之外,这组测试题还被用来测验一些经典的多目标进化算法,实验发现这种具有崎岖特性的测试题会给这些经典多目标进化算法带来一些挑战。4.多目标进化分解算法的参考点分别设置为理想点和最底点时,算法会具有不同的搜索行为。本文通过分析两种参考点设置方式给算法搜索行为所带来的影响,发现两种参考点设置方式可以优势互补。基于这种互补性,本文提出了一个同时使用理想点和最底点作为参考点的多目标进化分解算法。在一组新设计的测试问题上对新提出的算法和四个经典的多目标进化算法进行了对比。实验结果表明新提出的同时使用理想点和最底点作为参考点的多目标进化分解算法很有竞争力。5.此外,本文还研究了在多目标进化分解算法框架下使用不同重组策略来达到平衡多样性和收敛性的目的。本文首先介绍了两组杂交算子,并且分析了它们不同的搜索行为。另外本文采用一种贪婪的策略来管理使用这两组算子,从而提出了一种邻域学习差分重组策略。同时为了配合这种重组策略本文还提出了一个新的全局替换策略来提高父本选择的多样性。基于这种提出的重组策略和替换策略,本文提出了一个稳态的多目标进化分解算法。在一些测试题上的实验对比验证了新提出的算法很有潜力。